剛進IT這一行時,資料庫應用程式是企業IT應用系統的主流,當時e化的口號喊得震天嘎響,許多公司開始導入ERP、CRM等大型商業應用系統,接著商業智慧(BI)也逐漸掀起採用的風潮,一時之間,資料倉儲、平衡計分卡、資料採礦等各種決策支援系統的建置,成為企業提升競爭力的顯學。

然而,時至今日,雲端服務、大數據的應用持續看漲,改變了企業對於IT基礎架構與巨量資料的使用方式,接下來即將起飛的物聯網(IoT)、人工智慧(AI),更是受到各界極大重視。

以AI而言,我們在日常生活中越來越常看到這樣的技術應用,小至智慧型手機的語音助理、新型聲控喇叭、偵測詐騙行為,大至自動駕駛車、無人機,以及各種不同形式的軟硬體機器人應用,甚至是新一代的智慧工廠,應用的場景從個人端到企業,幾乎無所不包,而這些創新應用未來能否受到廣泛使用,其實也都有賴當前AI的技術進展程度。

因此,目前我們可能會在許多場合都會聽聞到AI的相關應用,雖然使用的程度和比例也許有很大的差異,但其實越來越難以忽略它將帶來的好處與影響——這是由於當前我們對於大幅節省人力和時間的需求,比過去更為殷切,所以,在自動化處理的方式上,不能只是停留在預先定義、靜態的作法,而必須能夠更為靈敏地主動應變。

但是,該如何讓應用系統具備這樣的能力?以現今流行的技術來看,如何在其中導入與使用機器學習的技術,就變得很關鍵,而要實現這樣的方法,同時也需要仰賴龐大的資料,藉以訓練系統懂得如何分類、找出相關性,而達到「學習」的效果。一般而言,機器學習的作法,可分為監督式學習(Supervised learning)、非監督式學習(unsupervised learning)、半監督式學習(Semi-supervised learning)等類型。

企業若想要借重AI來幫忙,在大多數情況下,可能要自行開發相關的系統,就如同早年ERP、CRM等系統剛出現時,針對商用的套裝產品,目前並不多見,但如果是要近期所要採購或導入的特定IT產品當中,要求具有這樣的特色和技術,可能比較容易一些。

以資訊安全的領域來說,市面上已有不少產品,都已經發展或支援機器學習的特色,例如:進階威脅預防(ATP)、端點威脅偵測與防護(EDR)、使用者行為分析系統(UBA)、安全事件管理系統(SIEM),幾乎在近期新版本的發布當中,都強調具有或採用AI層面的技術,可用來提升判斷惡意行為的準確率。

而在其他類型的商用系統、IT基礎架構當中,也越來越常看到使用AI、機器學習技術的蹤影。像是有些廠商的產品,在增添更多自動化管理機制之餘,也在這方面特色的命名上,借用了自動駕駛車來相互比擬,例如,全快閃儲存陣列廠商Pure Storage,就以「Self-Driving Storage」,形容他們架構在雲端服務上的儲存管理平臺Pure1,提供的自動化效能調校與規畫功能;網路設備大廠思科,也在今年1月宣布,他們即將推出企業級的「Self-driving network」。諸如此類,冠上「Self-Driving」的IT產品,應該會越來越多,所借用的意思則是希望強調具有更自動化的處理方式。

 相關報導  AI 100(上)

專欄作者

熱門新聞

Advertisement